BioMARS: A Multi-Agent Robotic System for Autonomous Biological Experiments
作者: Yibo Qiu, Zan Huang, Zhiyu Wang, Handi Liu, Yiling Qiao, Yifeng Hu, Shu'ang Sun, Hangke Peng, Ronald X Xu, Mingzhai Sun
分类: cs.RO, cs.AI, cs.MA, q-bio.QM
发布日期: 2025-07-02
💡 一句话要点
BioMARS：一个用于自主生物实验的多智能体机器人系统
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 机器人自动化 生物实验 大型语言模型 视觉语言模型
📋 核心要点
- 现有生物实验自动化方案存在协议僵化、适应性差、错误处理能力弱等问题，限制了LLM/VLM在生物研究中的应用。
- BioMARS通过集成LLM、VLM和模块化机器人，构建多智能体系统，实现生物实验的自主设计、规划和执行。
- 实验结果表明，BioMARS在细胞传代、培养和分化等任务中，性能达到或超过人工水平，并支持上下文感知的优化。
📝 摘要（中文）
大型语言模型（LLMs）和视觉-语言模型（VLMs）有潜力通过实现自主实验来变革生物研究。然而，它们的应用仍然受到严格的协议设计、对动态实验室条件的有限适应性、不足的错误处理以及高操作复杂性的限制。本文介绍BioMARS（生物多智能体机器人系统），这是一个智能平台，集成了LLMs、VLMs和模块化机器人，以自主设计、规划和执行生物实验。BioMARS采用分层架构：生物学家智能体通过检索增强生成来合成协议；技术员智能体将它们翻译成可执行的机器人伪代码；检查员智能体通过多模态感知和异常检测来确保程序完整性。该系统自主地进行细胞传代和培养任务，在活力、一致性和形态完整性方面达到或超过了人工操作的性能。它还支持上下文感知的优化，在分化视网膜色素上皮细胞方面优于传统策略。一个Web界面实现了实时的人工智能协作，而模块化的后端允许与实验室硬件进行可扩展的集成。这些结果突出了通用、人工智能驱动的实验室自动化的可行性，以及基于语言的推理在生物研究中的变革性作用。
🔬 方法详解
问题定义：现有生物实验自动化方法依赖于预定义的、僵化的实验协议，难以适应动态变化的实验环境和条件。此外，这些方法在错误处理和异常检测方面能力不足，导致实验结果不稳定且难以复现。高昂的操作复杂性也限制了其广泛应用。
核心思路：BioMARS的核心思路是利用大型语言模型（LLMs）和视觉-语言模型（VLMs）的强大推理和规划能力，结合模块化机器人系统，构建一个能够自主设计、执行和优化生物实验的智能平台。通过多智能体协作，实现实验流程的自动化和智能化。
技术框架：BioMARS采用分层架构，包含三个主要智能体：生物学家智能体（Biologist Agent）、技术员智能体（Technician Agent）和检查员智能体（Inspector Agent）。生物学家智能体负责根据实验目标，利用检索增强生成（RAG）合成实验协议；技术员智能体将实验协议翻译成可执行的机器人伪代码；检查员智能体通过多模态感知（视觉、传感器数据等）和异常检测，确保实验流程的完整性和正确性。此外，系统还提供Web界面，支持人机协作，并采用模块化后端设计，方便与各种实验室硬件集成。
关键创新：BioMARS的关键创新在于其多智能体协作架构和基于语言的实验流程自动化方法。与传统的自动化系统相比，BioMARS能够根据实验目标自主生成实验方案，并根据实验过程中的反馈进行动态调整和优化。这种基于语言的推理能力使得系统具有更强的通用性和适应性。
关键设计：生物学家智能体使用检索增强生成（RAG）框架，从生物学知识库中检索相关信息，并结合LLM生成实验协议。技术员智能体使用预定义的机器人指令集，将实验协议翻译成机器人可执行的伪代码。检查员智能体使用卷积神经网络（CNN）处理视觉数据，并结合其他传感器数据进行异常检测。具体的参数设置和损失函数等细节在论文中未详细说明，属于未知信息。
🖼️ 关键图片
📊 实验亮点
BioMARS在细胞传代和培养任务中，在细胞活力、一致性和形态完整性方面达到或超过了人工操作的性能。在视网膜色素上皮细胞分化实验中，BioMARS通过上下文感知的优化，优于传统的实验策略，表明其具有强大的实验优化能力。
🎯 应用场景
BioMARS具有广泛的应用前景，可用于药物发现、细胞培养、合成生物学等领域。它能够显著提高生物实验的效率和可重复性，降低实验成本，并加速科学研究的进程。未来，BioMARS有望成为生物实验室的重要工具，推动生物研究进入自动化和智能化的新时代。
📄 摘要（原文）
Large language models (LLMs) and vision-language models (VLMs) have the potential to transform biological research by enabling autonomous experimentation. Yet, their application remains constrained by rigid protocol design, limited adaptability to dynamic lab conditions, inadequate error handling, and high operational complexity. Here we introduce BioMARS (Biological Multi-Agent Robotic System), an intelligent platform that integrates LLMs, VLMs, and modular robotics to autonomously design, plan, and execute biological experiments. BioMARS uses a hierarchical architecture: the Biologist Agent synthesizes protocols via retrieval-augmented generation; the Technician Agent translates them into executable robotic pseudo-code; and the Inspector Agent ensures procedural integrity through multimodal perception and anomaly detection. The system autonomously conducts cell passaging and culture tasks, matching or exceeding manual performance in viability, consistency, and morphological integrity. It also supports context-aware optimization, outperforming conventional strategies in differentiating retinal pigment epithelial cells. A web interface enables real-time human-AI collaboration, while a modular backend allows scalable integration with laboratory hardware. These results highlight the feasibility of generalizable, AI-driven laboratory automation and the transformative role of language-based reasoning in biological research.